在上一篇博客中介绍了在逻辑回归中添加多项式项，使得生成相对不规则的决策边界，进而对于非线性的数据进行一个很好的分类。不过，既然引入了多项式项，我们的模型就会变得非常复杂，一不小心就会出现过拟合的情况。解决过拟合的问题，一个常规的手段就是之前学习的模型正则化的方式。
之前我们学习的模型正则化的方式，都是在损失函数 J ( θ ) J(θ) J(θ) 后面添加一个 L 1 L_1 L1 正则项或者 L 2 L2 L2 正则项，并在正则项前添加一个系数 α α α 维持 J ( θ ) J(θ) J(θ) 与正则项之间的平衡。
不过，我们在逻辑回归中使用模型正则化与之前稍有不同，我们不在正则项前添加一个系数，而是在 J ( θ ) J(θ) J(θ) 前添加一个系数 C C C。 在 s k l e a r n sklearn sklearn 中也是使用这种方式。因为这种方式使得你不得不进行正则化，因为 L 1 L_1 L1 和 L 2 L_2 L2 前面的系数不能为 0。
下面我们就来看一下 s k l e a r n sklearn sklearn 是怎么封装逻辑回归的，与此同时，尝试在逻辑回归中引入正则化。
之前有提到过说，逻辑回归只能解决二分类的问题。但是我们也可以利用一些技巧使得逻辑回归能够解决多分类的问题。
具体代码见 55 sklearn中的逻辑回归.ipynb
